ComenzarEmpieza gratis

Usar la operación de capa densa

Ya hemos visto cómo definir capas densas en tensorflow usando álgebra lineal. En este ejercicio, nos saltaremos el álgebra lineal y dejaremos que keras se encargue de los detalles. Esto nos permitirá construir la red de abajo, que tiene 2 capas ocultas y 10 características, usando menos código que el que necesitábamos para la red con 1 capa oculta y 3 características.

This image depicts an neural network with 10 inputs nodes and 1 output node.

Para construir esta red, necesitaremos definir tres capas densas, cada una de las cuales toma la capa anterior como entrada, la multiplica por unos pesos y aplica una función de activación. Ten en cuenta que los datos de entrada ya se han definido y están disponibles como un tensor de 100x10: borrower_features. Además, el módulo keras.layers está disponible.

Este ejercicio forma parte del curso

Introducción a TensorFlow en Python

Ver curso

Instrucciones del ejercicio

  • Establece dense1 como una capa densa con 7 nodos de salida y una función de activación sigmoid.
  • Define dense2 como una capa densa con 3 nodos de salida y una función de activación sigmoid.
  • Define predictions como una capa densa con 1 nodo de salida y una función de activación sigmoid.
  • Imprime las formas de dense1, dense2 y predictions en ese orden usando el método .shape. ¿Por qué cada uno de estos tensores tiene 100 filas?

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# Define the first dense layer
dense1 = keras.layers.Dense(____, activation='____')(borrower_features)

# Define a dense layer with 3 output nodes
dense2 = ____

# Define a dense layer with 1 output node
predictions = ____

# Print the shapes of dense1, dense2, and predictions
print('\n shape of dense1: ', dense1.shape)
print('\n shape of dense2: ', ____.shape)
print('\n shape of predictions: ', ____.shape)
Editar y ejecutar código